我个人认为，这篇论文的行文逻辑比较清晰，实验数据也比较充分，可以作为自己写论文的一个范本进行学习。

作者首先从一阶段与二阶段检测器的简要介绍开始，指出两者的共同点之一是都有采用anchor的机制，而其采用的anchor数量作者用massive来形容，但事实上只有很少的anchors会与物体相交较多，那么不采用anchor可以吗？当然可以，作者接着介绍了anchor-free的方式，最后引出本文想要解决的问题——the imbalance between foreground and background .

现有的解决此类问题的方法，主要可以分为hard sampling 与 soft sampling。
前者指从所有样本中，挑选一部分出来，主要的方法有：①mini-batch biased sampling，②online hard example mining(OHEM), ③Iou-balanced sampling等。
后者指为所有样本给予不同的权重，主要的方法有：①Focal loss，②gradient harmonizing mechanism(GHM)等。

诸如以上的这些sampling heuristics的方法，①只解决了训练过程中的不平衡问题，但没有解决推理过程中的不平衡。☆并且②会引入额外的超参，增加调参的难度。

既然存在这么多问题，那我们可以摒弃sampling heuristics的方法吗？现有的一些通过级联(cascade)的方式来减少背景样本的方法，尝试在这个方向有所突破，但①其会产生较多的计算量，②并且他们中的大多数还是没有完全摒弃sampling heuristics的方法。

这样看来不采用sampling heuristics的方法来训练检测器是不太现实的？作者首先对Non-Sampling Model进行训练，发现影响 非sampling heuristics 训练效果的关键在于：分类损失的体量与稳定性(其中稳定性由初始设置的偏置量大小决定，在保证速度的前提下，避免分类损失被负样本所淹没).
由此出发，提出了如下三个点，来构成本篇论文。
①Guided Loss Scaling
使用动态的w来约束分类损失的大小。
用作者的原话来说就是：
Use the regression loss value of the current mini-batch as the “target” of the rescaled classification loss value.

代码形式如下(Pytorch)：
我们可以看到，这里的w是两个标量进行计算，即只改变分类损失的大小，其内部组成的比例没有改变，即不会改变梯度的方向。

作者这样做的理由也有如下三点：
1.基于之前对Non-Sampling Model进行的实验，无论是Focal Loss 还是 CE Loss，让分类损失与回归损失的数值相差不大时，会有较好的训练效果。
2.使用回归损失作为分类损失的导向，是简单好操作的。
3.回归损失不会被前后景不平衡所影响。

②Optimal Bias Initialization
也是基于之前对Non-Sampling Model进行的实验，发现当初始偏置到10的-5次方的时候，训练不会被负样本淹没。

同时，π = 1e-5时，整体的loss也最低，大大降低了训练初期梯度爆炸的风险。

作者通过CE对π进行求导，训练使得整体loss最低时的π值：

因此当π = Nf / N*C的时候，使得初始的CE值最小，避免其被负样本所淹没。
在RetinaNet中(不同网络这个值应该不一样)偏得统计得取N / Nf = 1000，C取COCO数据集的80类，因此得到π的最优值为1.25乘10的-5次方。

而计算出π值还未结束，本节的标题是最优偏置初始化，那为什么是偏置？

这里的π是经过最后一层神经网络分类分支的激活函数(sigmoid等)得到的值，而卷积层刚开始的时候初始化为0，即sigmoid(wx + bias) = sigmoid(bias) = π。
因此此时bias=-log(1-π/π)，即bias的最优初始化值为：

③Adaptive Thresholding
类别自适应阈值的提出，其实是为了解决第二点初始化带来的负面影响，即使得RetinaNet-None预测的概率平均值是远远低于RetinaNet-FL，因此为了提高召回率，得降低这个阈值。
对每个类别，我们可以采用不同的过滤阈值。这里提出一种基于训练样本的类别自适应阈值（class-adaptive threshold）：

其中第一项是正样本在负样本所占的比例，而第二项是各个类别在所有类中的所占比例。

实验验证及分析过程
挖个坑，后面再写。